Académique Documents
Professionnel Documents
Culture Documents
A partir de la simulation de la loi de Bernoulli, écire une fonction geom(p) qui simule une variable
aléatoire G(p).
Note: Si X ,→ G(p), on sait que X représente le rang du premier succès dans un schéma de Bernoulli,
donc on peut modéliser un résultat aléatoire suivant une loi géométrique en répétant une évaluation selon
une loi de Bernoulli de paramètre p jusqu’à obtenir un premier succès : c’est à dire la valeur 1 avec
probabilité p.
Remarque: La fonction np.random.geometric(p) fournit le même résultat.
Ecrire un programme permettant de visualiser les données obtenues des deux fonctions de simula-
tions de la loi géométrique et comparer à chaque fois avec l’allure de la fonction de masse de la loi
géométrique.
1
I.3 Loi de Poisson
I.3.1. Simulation à l’aide de la fonction random
La loi de Poisson P(λ) est plus difficile à modéliser à partir de sa situation d’application. Par contre
on peut la modéliser grâce à sa fonction de répartition F (x).
En effet ∀n ∈ X(Ω) = N , on a P (X = n) = P (X ∈]n − 1, n]) = P (X ≤ n) − P (x ≤ n − 1) =
FX (n) − FX (n − 1), c’est donc la probabilité qu’une évaluation de la fonction ‘random‘ tombe dans
l’intervalle [FX (n − 1), FX (n)[⊂ [0, 1[.
Donc pour modéliser un résultat qui suit une loi de Poisson, il suffit de choisir un nombre p aléatoirement
avec la fonction random(), puis il reste à déterminer pour quelle valeur de n, p est dans l’intervalle
[FX (n − 1), FX (n)[.
Xn
Pour cela, il suffit de calculer successivement pour n = 0, n = 1, n = 2, ...FX (n) = P (X = k) =
k=0
n
X λk
e−λ jusqu’à ce que l’ont ait FX (n) ≥ p.
k!
k=0
Le premier entier n tel que FX (n) ≥ p sera bel et bien un résultat d’une évaluation suivant une loi de
Poisson.
Ecrire un programme permettant de visualiser les données obtenues des simulations et comparer
avec avec l’allure de la fonction de masse de la loi de Poisson.
Ecrire un code Python permettant de visualiser les données obtenues des simulations et comparer
avec l’allure de la densité de probabilité de la loi normale.
Ecrire une fonction expo(lambda) qui simule une v.a.r. suivant la loi exponentielle de paramètre
lambda.
2
I.4.2 Histogramme et densité de probabilité
Ecrire un programme permettant de visualiser les données obtenues des simulations et comparer
avec l’allure de la densité de probabilité de la loi exponentielle.
Ecrire un code Python permettant de visualiser les données obtenues des simulations et comparer
avec l’allure de la densité de probabilité de la loi normale.
3
from matplotlib import pyplot as plt
def s i m u l a t i o n _ g r a n d _ n o m b r e _ Y (n , N ):
L = ...
# Cette variable servira à calculer la somme
# cumul é e des valeurs de l ’é chantillon
val = 0
xbar = []
f o r i i n range ( N ):
val += L [ i ]
# On enregistre dans xbar la moyenne des i premieres
# valeurs de l ’ echantillon
xbar . append ( val /( i + 1))
return xbar
n = 10
N = 100000
T = [ i + 1 f o r i i n range ( N )]
x = s i m u l a t i o n _ g r a n d _ n o m b r e _ Y (n , N )
plt . plot (T , X )
plt . show ()
n = 1000
x = 2 * np . random . rand ( n ) - 1
s = ...
plt . plot ( range (1 , n +1) , s , ’r ’ , label = ’ simulation ’)
plt . plot ((1 , n ) , (0 , 0) , ’b - - ’ , label = ’ espereance ’)
plt . xlabel ( ’n ’)
plt . legend ( loc = ’ best ’)
plt . title ( ’ loi ␣ faible ␣ des ␣ grands ␣ nombres ’)
plt . show ()
4
Exercice 13: Visualisation de loi
Complétez le code suivant:
import numpy as np
import matplotlib . pyplot as plt
# Ajuster le layout
plt . tight_layout ()
# Affichage de la figure
plt . show ()